基于随机游走标签传播的弱监督语义分割学习
该论文提出了一种新的框架,利用局部图神经网络和基于置信度的路径调度器,可以在大规模真实数据上可靠地传播标签,同时有效地处理异常值和复杂的图结构。在 ImageNet 和 Ms-Celeb-1M 数据集上的实验证明了该方法的有效性。
Jul, 2020
本研究提出了一种基于图卷积网络的特征传播框架,将完整的伪标签的生成作为半监督学习任务来解决弱监督图像语义分割问题,并在 PASCAL VOC 2012 数据集上通过实验得到了比其他最先进的基线方法更好的结果。
Mar, 2021
本文中,我们介绍了一种更优的传统标签传播算法(LPA)的分析方法,它可以利用有用的先验信息,具体而言是无标签数据上的概率假设标签。我们提供了一个误差界限,它利用了底层图形的局部几何特性和先前信息的质量。我们还提出了一个框架来整合多个来源的嘈杂信息。我们在多个基准弱监督分类任务上演示了我们的方法的能力,并展示了对现有半监督和弱监督方法的改进。
Oct, 2022
本文提出了一种新的标签传播方法,即 Warp-Refine Propagation,通过将几何和语义线索结合起来,半监督地利用时间轴上的循环一致性,学习精细地修正几何变形的标签并将它们与学习到的语义先验相结合,以高效地自动标注视频序列,这种方法显著提高了标签传播的表现,并实现了在三个语义分割基准上的竞争性结果 improvement。
Sep, 2021
在本论文中,我们提出了一种新的算法,通过在流形中优化标记数据的特征嵌入来最小化可微损失函数,从而使我们的新算法 “自适应锚标签传播” 在 1-shot 和 5-shot 设置中分别比标准标签传播算法提高了 7% 和 2%。我们在四个广泛使用的 few-shot 基准数据集(miniImageNet,tieredImageNet,CUB 和 CIFAR-FS)和两个常用的主干网络(ResNet12 和 WideResNet-28-10)上提供了实验结果。该算法的源代码可在此 https URL 找到。
Oct, 2023
该研究提出了一种名为 guided networks 的机器学习方法,可以在极少的监督下自动完成图像分割任务,可开展多项任务而无需再进行优化,是一种在分割准确性和时间效率方面表现优越的方法。
May, 2018
本文提出了一种用于弱监督下的图像标注的全新框架 ——AffinityNet。该框架通过训练一个深度神经网络,使其能够预测一对相邻图像坐标之间的语义亲和性,从而通过随机游走来实现语义的传播,以生成图像的分割标签。实验表明,使用我们的方法生成的分割标签训练的 DNN,甚至比其它依赖于更强监管的模型表现更为优秀。
Mar, 2018
通过视频预测方法合成新的训练样本并引入边界标签松弛技术,使模型对标注噪声和传播伪影更加鲁棒,实现在 Cityscapes 数据集上 83.5%、CamVid 上 82.9% 的 mIoUs 并在 KITTI 语义分割测试集上取得 72.8% 的 mIoU,超过 ROB 挑战 2018 年的获奖模型。
Dec, 2018
利用标签效率的稀疏注释进行弱监督分割的研究越来越受到关注,以降低费力的像素级标注过程成本,而成对亲和建模技术在此任务中发挥了重要作用。本文将亲和建模作为亲和传播过程,提出了局部和全局成对亲和项,以生成准确的软伪标签,并开发了一种高效算法来显著降低计算成本。该方法可以方便地插入现有的分割网络。在三个典型的标签有效分割任务中进行的实验证明了所提方法的卓越性能。
Oct, 2023